본 논문은 그래프 신경망(GNN)에서 그래프 데이터의 비 i.i.d. 특성으로 인해 발생하는 악성 데이터의 영향을 완화하기 위한 새로운 그래프 언러닝 방법인 Cognac을 제안합니다. 기존 그래프 언러닝 방법들이 조작된 데이터 집합 전체가 알려진 경우에도 조작의 영향을 제대로 제거하지 못하는 한계를 지적하며, Cognac은 조작된 데이터의 5%만 식별되어도 조작의 영향을 효과적으로 제거할 수 있음을 보여줍니다. 완전히 수정된 훈련 데이터를 사용한 강력한 오라클의 성능을 대부분 회복하며, 조작된 데이터를 삭제하고 처음부터 다시 훈련하는 것보다 8배 더 효율적입니다.
시사점, 한계점
•
시사점:
◦
GNN의 취약점인 악성 데이터의 영향을 효과적으로 제거하는 새로운 방법(Cognac)을 제시합니다.
